[發明專利]一種基于類別語義特征重加權的小樣本目標檢測方法及系統

在審

• 申請號: 202110686586.1
• 申請日: 2021-06-21
• 公開（公告）號: CN113420642A
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 劉芳;熊怡夢;李玲玲;李鵬芳;劉旭;杜姚陽;李碩;陳璞花
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

1.一種基于類別語義特征重加權的小樣本目標檢測方法，其特征在于，包括以下步驟：

S1、將數據集中的類別劃分為基類和新類類別，并按照C way K shot方法構造成小樣本學習任務的形式，得到支持集樣本和查詢樣本；

S2、根據步驟S1得到的支持集樣本S的類別標簽構造初始類別語義圖G；

S3、構建類別語義嵌入模塊，并利用元學習器得到步驟S1中支持集樣本的C個不同類別的元特征，將元特征和步驟S2構造的初始類別語義圖G作為類別語義嵌入模塊的輸入，類別語義嵌入模塊以元特征作為初始類別語義圖節點的實際值，通過圖卷積網絡利用圖節點之間的類別語義相似度進行圖節點特征之間的融合，輸出支持集樣本元特征；

S4、根據步驟S3得到的支持集樣本特征，與利用特征提取器獲得的步驟S1中查詢樣本的特征F在通道維度相乘，得到C個經過通道維度調整后的查詢樣本特征；

S5、根據步驟S4得到的查詢樣本特征，進行相應類別目標物體的檢測，并增加交叉熵損失函數用于對融合后的支持集樣本元特征進行分類。

2.根據權利要求1所述的方法，其特征在于，步驟S1中，查詢樣本支持集樣本C為支持集樣本中的類別個數，K為支持集樣本中每個類別的樣本個數，為第i個類別的查詢樣本，為第i個類別中的第j個支持集樣本。

3.根據權利要求1所述的方法，其特征在于，步驟S2具體為：

S201、利用Word2vec模型獲取類別標簽對應的詞向量表示：

S202、根據步驟S201中得到的詞向量表示計算類別標簽之間的語義相似度；

S203、構建初始類別語義圖G，圖節點集合V對應不同的類別標簽，節點之間相連邊的值E表示類別標簽之間的語義相似度；

S204、在基類訓練階段，按照基類類別構造初始類別語義圖G_base，在小樣本微調階段，按照全部類別構造初始類別語義圖G_all。

4.根據權利要求3所述的方法，其特征在于，步驟S202中，類別標簽之間的語義相似度為：

其中，vec_a、vec_b分別代表a和b兩個類別標簽的詞向量表示，l表示詞向量的長度。

5.根據權利要求4所述的方法，其特征在于，數據集中每一個類別與該數據集中其它類別的類別語義相似度歸一化計算如下：

其中，和分別指類別a與其它類別的類別語義相似度中的最大和最小值。

6.根據權利要求1所述的方法，其特征在于，步驟S3具體為：

S301、選取支持集樣本全局平均池化層之后的特征作為初始類別語義圖G的初始節點值，與初始類別語義圖G構造的鄰接矩陣A作為標簽知識模塊的輸入，并隨機初始化圖卷積層的參數W，鄰接矩陣A由類別標簽之間的語義相似度值構成的矩陣；

S302、通過類別語義模塊中的兩個圖卷積層進行特征之間的融合過程。

7.根據權利要求6所述的方法，其特征在于，步驟S302具體為：

通過第一層圖卷積層得到輸出特征X¹＝σ(BN(AX⁰W¹))，X⁰表示支持集樣本元特征的集合，BN表示批歸一化，σ表示激活函數；然后將X¹輸入第二層圖卷積，得到輸出特征X²＝BN(AX¹W²))；最后和初始的輸入元特征進行融合X²＝X⁰+X²，將融合后的特征經過激活函數，得到最終的支持集樣本元特征，即X_out＝σ(X²)，